CN107909588A - 基于三维全卷积神经网络的mri皮质下分区*** - Google Patents

基于三维全卷积神经网络的mri皮质下分区*** Download PDF

Info

Publication number
CN107909588A
CN107909588A CN201710620454.2A CN201710620454A CN107909588A CN 107909588 A CN107909588 A CN 107909588A CN 201710620454 A CN201710620454 A CN 201710620454A CN 107909588 A CN107909588 A CN 107909588A
Authority
CN
China
Prior art keywords
module
convolution
fcnn
layer
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710620454.2A
Other languages
English (en)
Inventor
毛奎彬
陈卫单
陈勇强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Huiyang Health Science And Technology Co Ltd
Original Assignee
Guangzhou Huiyang Health Science And Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Huiyang Health Science And Technology Co Ltd filed Critical Guangzhou Huiyang Health Science And Technology Co Ltd
Priority to CN201710620454.2A priority Critical patent/CN107909588A/zh
Publication of CN107909588A publication Critical patent/CN107909588A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开一种基于三维全卷积神经网络的MRI皮质下分区***，包括训练模块、卷积前处理模块、FCNN模块以及卷积后处理模块，所述训练模块和卷积前处理模块均与FCNN模块连接，FCNN模块与卷积后处理模块连接，训练模块用于对输入的训练集进行训练，卷积前处理模块用于对图像进行灰度均一化、非均匀场校正以及颅骨剥离的预处理，完成卷积前处理后送入FCNN模块中进行识别，经过9层卷积层、3层全连接层以及最后的分类层后，得到九张密度分布图，经过卷积后处理模块的卷积后处理，完成对九张密度分布图隔离小分区的处理，并对九张密度分布图进行融合，得到的一张效果图，从而提高皮质下分区的准确性与效率。

Description

基于三维全卷积神经网络的MRI皮质下分区***
技术领域
本发明涉及医疗技术领域，特别是指一种基于三维全卷积神经网络的MRI 皮质下分区***。
背景技术
对大脑皮质下结构的准确分区，对于许多神经***疾病的研究有重要意义。比如帕金森病的病变部位可能发生在皮质下的黑质，而尾状核、伏核和豆状核的病变可能与自闭症的发生有关。纹状体等皮质下结构，可以通过MRI检查获取三维结构，而这些皮质下结构的准确分区仍然不容易准确做到。目前对皮质下结构的分区主要依赖于临床医生人工区分，而人工进行区分存在不少局限性，比如费时费力、准确性有限、容易受到主观经验的影响。
此前卷积神经网络(CNN)已有先例应用于医学影像的识别，然而此前CNN 主要应用于对二维图像的识别，所使用的滤波器(卷积核)都是二维的。二维 CNN相较于三维CNN，其最大的优势在于运算量较小，对运算能力和存储能力的要求不高，但是目前医学检验技术领域中存在大量三维医学影像(如CT、 MRI)，而单纯使用二维CNN则抛弃了垂直方向上的重要信息，对识别精度造成一定影响。使用三维CNN虽然运算量大，但是能够很好地保存垂直方向上的信息。
因此，有必要设计一种新的基于三维全卷积神经网络的MRI皮质下分区***，以解决上述技术问题。
发明内容
针对背景技术中存在的问题，本发明的目的是提供一种基于三维全卷积神经网络的MRI皮质下分区***，使用三维全卷积神经网络，通过对大量经过标记的头部MRI影像进行训练，并且对新导入的MRI影像完成分区，从而提高皮质下分区的准确性与效率。
本发明的技术方案是这样实现的：一种基于三维全卷积神经网络的MRI皮质下分区***，包括训练模块、卷积前处理模块、FCNN模块以及卷积后处理模块，所述训练模块和卷积前处理模块均与FCNN模块连接，FCNN模块与卷积后处理模块连接，其中，所述训练模块使用反向传播算法计算，对输入的训练集进行训练，训练的图像首先经过正向传播途径，经过激活函数运算得到一个值，再由这个值进行链式求导求得上一层的权重，经过多层的迭代，链式求导得到各层的权重，使用训练集完成训练之后，得到一系列适用于大脑皮质下分区的权重至FCNN模块；所述卷积前处理模块：包含灰度均一化模块、非均匀场校正模块以及颅骨去除模块，用于对图像进行对应的灰度均一化、非均匀场校正以及颅骨剥离预处理；所述FCNN模块：用于对预处理后的图像行识别，经过9 层卷积层、3层全连接层以及最后的分类层后，得到九张密度分布图；所述卷积后处理模块：用于对九张密度图中隔离小分区的处理并对九张密度图进行融合，得到的一张效果图。
在上述技术方案中，所述在训练模块进行训练之前，需要预设定各层的权重，对预设定的权重进行计算，方法是对于每一层的权重，nl代表该层对于各个单位的连接数，而在该层的权重则设定为符合方差为的高斯分布的一系列值。
在上述技术方案中，所述训练模块在训练之前，需要设定多个参数，包括每次训练的图像数量、迭代次数、整个训练集进行训练的次数、学习动量、初始学习率，根据设定的参数，训练模块对输入的训练集进行训练。
在上述技术方案中，所述灰度均一化模块用于对图像像素亮度分布不平衡的处理，使像素的灰度值分布在0-255之间。
在上述技术方案中，所述非均匀场校正模块使用曲面拟合方法，对图片的像素点进行分类，然后提取图像中所有像素点中反映非均匀场变化趋势的像素点，求得非均匀场曲面拟合的参数，然后利用这些像素点对整个曲面进行拟合，从而完成校正。
在上述技术方案中，所述颅骨去除模块利用边缘检测算子检测颅骨边缘，并利用边缘连接算子连接边缘实现自动分割，去除图像中的颅骨，降低图像大小和计算量。
本发明基于三维全卷积神经网络的MRI皮质下分区***，包括训练模块、卷积前处理模块、FCNN模块以及卷积后处理模块，所述训练模块和卷积前处理模块均与FCNN模块连接，FCNN模块与卷积后处理模块连接，训练模块用于对输入的训练集进行训练，卷积前处理模块用于对图像进行灰度均一化、非均匀场校正以及颅骨剥离的预处理，完成卷积前处理后送入FCNN模块中进行识别，经过9层卷积层、3层全连接层以及最后的分类层后，得到九张密度分布图，经过卷积后处理模块的卷积后处理，完成对九张密度分布图隔离小分区的处理，并对九张密度分布图进行融合，得到的一张效果图，从而提高皮质下分区的准确性与效率。
附图说明
图1为本发明结构框图；
图2为本发明FCNN结构图；
图3为本发明具体实例效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所述的一种基于三维全卷积神经网络的MRI皮质下分区***，关键点在于三维全卷积神经网络及其结构，该结构包括三组卷积层、三层全连接层 (表示为卷积层)与一层分类层，其中，三组分类层各包含三层卷积层，每一组卷积层中的三层都使用相同数目的卷积核。该***包括四个模块，分别是训练模块、卷积前处理模块、FCNN模块以及卷积后处理模块，连接关系如图1 所示，以下是对上述各模块的详细说明。
(1)训练模块：
在训练模块中所使用的核心是反向传播(BP)算法计算。在进行训练之前，首先需要预设定各层的权重。如果使用固定不变的标准差来初始化权重，那么经过反向传播计算训练得出的权重可能会聚度不高。因此，需要对预设定的权重进行计算，方法是对于每一层的权重，nl代表该层对于各个单位的连接数，而在该层的权重则设定为符合方差为的高斯分布的一系列值。这样设定的权重经过训练之后会聚度较高。
在训练之前，用户还需要设定多个个参数，包括batch size，即每次训练的图像数量；iteration，迭代次数；epoch，整个训练集进行训练的次数；学习动量；初始学习率等。根据设定的参数，训练模块对输入的训练集进行训练。
训练过程主要使用反向传播计算。训练的图像首先经过正向传播途径，经过激活函数运算得到一个值，再由这个值进行链式求导求得上一层的权重。经过多层的迭代，链式求导得到各层的权重。使用训练集完成训练之后，便得到一系列适用于大脑皮质下分区的权重(即滤波器)。
(2)卷积前处理模块：
由于不同的仪器或成像***使用不同的协议或不同的参数，获得的图像存在差异，需要进行预处理才能使用FCNN对图像进行识别。在卷积前处理模块中，主要存在三个自模块，分别是灰度均一化模块、非均匀场校正模块以及颅骨去除模块。
a.灰度均一化模块：所获得的图像可能存在图像像素亮度分布不平衡的情况，这样的图像可能存在整体偏亮或整体偏暗的问题，不便于后续处理。因此，灰度均一化模块就是使像素的灰度值分布在0-255之间，其方法是：
y＝(x-MinValue)(MaxValue-MinValue)
其中，x为归一化前的值，y为归一化后的值，MaxValue为图像灰度的最大值，MinValue为图像灰度的最小值。
b.非均匀场校正模块：非均匀场指的是相同组织的不同局部区域的均值、方差有较大的偏差。非均匀场的存在会降低分区的准确性，因此需要对非均匀场进行矫正。
对非均匀场的校正可以使用曲面拟合方法，首先需要对图片的像素点进行分类，然后提取图像中所有像素点中能够反映非均匀场变化趋势的像素点，求得非均匀场曲面拟合的参数，然后利用这些像素点对整个曲面进行拟合，从而完成校正。
c.颅骨去除模块：颅骨在头部MRI图像中属于无关区域，对于皮质下分区不起作用，将颅骨去除能够降低图像大小，同时减少不必要的计算量。颅骨的去除主要依赖于边缘检测的方法，主要利用边缘检测算子检测颅骨边缘，并利用边缘连接算子连接边缘实现自动分割。
在颅骨去除模块中，主要使用的边缘检测算子主要是Sobel算子，包括两组3×3的矩阵，将之与图像作平面卷积便可得到亮度差分近似值。
(3)FCNN模块：
传统的CNN神经网络中存在全连接层，用于将得到的特征图进行分类。而在全卷积神经网络中，全连接层被表示成卷积层，因此所有层都是卷积层，因此称为全卷积神经网络(FCNN)。
在该个FCNN神经网络中，在输入层之后存在三组卷积层，每一组卷积层都有三层卷积层。第一组卷积层的三层中，每一层都有25个特征图，对应于 25组权重(相当于25个滤波器在上一层进行卷积而得)。而第二组卷积层的三层中每一层都有50个特征层；第三组卷积层的三层中每一层都有75个特征层。
在这三组卷积层中，所使用的卷积核都是3×3×3的卷积核。由上述描述可知，卷积层已经达到了9层，9层的卷积层在经历每一层之后都会使得特征图分辨率降低，失去一些局部信息，分辨率的降低会使得分区的准确度降低由于卷积核越大，分辨率的降低越快，因此我们在卷积层中使用较小的卷积层，从而使得分辨率的下降减慢。而使用较小的卷积核，将FCNN的层次扩展到了9 层，使得FCNN的层次更深，能够捕捉到更深层次的特征。
在经过三组卷积层之后，是三层表示为卷积层的全连接层。在全连接层中所使用的卷积核的尺寸为1×1×1，通过使用1×1×1的卷积核，能够将全连接层转换为卷积层，并且最大限度地保留特征图中的空间信息，并且使得全连接层具备学习该层特征图中信息的能力。三层卷积层分别具有400，200以及 150个特征图。
在FCNN中，所使用的激活函数是ReLu函数，其表达式为：
f(x)＝max(0，x)
经过三层全连接层之后，最后一层是分类层。分类层将全连接层的矩阵图分类为9张特征图，其中八张对应于不同的皮质下结构分区，分别为左右丘脑、豆状核、尾状核和苍白球，剩下的一张为背景图。分类层生成的9张特征图代表通过softmax函数计算出不同分区均一化的概率分布，实际上是概率分布密度图。对于第n类的概率计算公式为：
由这9张密度图最终得到皮质下分区结果。
(4)卷积操作后处理模块：
经过FCNN后获得的九张密度图中，可能存在分离的小块隔离区。判断小块隔离区与主要密度分布区之间的距离关系，如果明显远离主要密度分布区则将其舍弃，如果紧邻于主要密度分布区则将其与主要密度分布区融合。运算过程由计算两分区之间距离面积比实现。其中，FCNN的结构图2所示。
综上，输入一份三维的头部MRI影像文件，***首先对其进行卷积前处理，包括灰度均一化、非均匀场校正以及颅骨剥离。完成卷积前处理后送入FCNN 中进行识别，经过9层卷积层、3层全连接层以及最后的分类层后，得到九张密度分布图。经过卷积后处理，完成对隔离小分区的处理后，对九张密度分布图进行融合，得到的一张效果图，如图3下所示。
与现有技术相比，本发明基于三维全卷积神经网络的MRI皮质下分区***，具有以下有益效果：
1.在卷积神经网络中，每次进行卷积后每行和每列的分辨率都会降低卷积核尺寸减1，因此所使用的卷积核越大，经过卷积后特征图的分辨率下降得越快，丢失的局部特征也就越多。而在本***所使用的FCNN中所使用的卷积核为3×3×3，比一般CNN所使用的7×7×7要小得多，因此即使经过多层的卷积仍然能保持较高的分辨率，从而保持原图像中一些精细的特征。而且在FCNN 中舍弃了所有的max pooling层，所有的全连接层也都变为卷积核为1×1×1 的卷积层，从而保存了特征图的空间特征。
2.在进行头部MRI检查时，由于检查环境中干扰因素的存在以及仪器设备自身的影响，所生成的图像中灰度可能不均一，而且存在不均匀场，不利于对图像的后续处理。因此在本***中设置了卷积前处理模块，一方面将灰度分布重新设定为0-255从而完成对灰度的均一化，另一方面通过曲面拟合的方法对各个区域不均一的不均匀场进行校正，从而提高图像的可识别性；同时还将图像中的颅骨进行剥离，避免对皮质下结构分区产生影响，减少冗余的信息。
3.二维CNN只能对平面图像进行识别，而目前许多类型的医学影像都是三维的，如CT、MRI。如果使用普通二维CNN进行图像识别，那么会丢失这些三维图像中垂直方向上的信息，从而对图像识别的准确性造成一定影响。而在本***中所使用的是三维FCNN，使用的卷积核为三维尺寸，因此能够有效利用三维影像中垂直方向上的信息，提高信息的利用率。同时在该种FCNN中卷积层数大大增加到9层，随着层数的递增所能提取的特征也越来越复杂，能够捕捉等更深层次的特征。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于三维全卷积神经网络的MRI皮质下分区***，其特征在于：包括训练模块、卷积前处理模块、FCNN模块以及卷积后处理模块，所述训练模块和卷积前处理模块均与FCNN模块连接，FCNN模块与卷积后处理模块连接，其中，
所述训练模块：使用反向传播计算，对输入的训练集进行训练，训练的图像首先经过正向传播途径，经过激活函数运算得到一个值，再由这个值进行链式求导求得上一层的权重，经过多层的迭代，链式求导得到各层的权重，使用训练集完成训练之后，得到一系列适用于大脑皮质下分区的权重至FCNN模块；
所述卷积前处理模块：包含灰度均一化模块、非均匀场校正模块以及颅骨去除模块，用于对图像进行对应的灰度均一化、非均匀场校正以及颅骨剥离预处理；
所述FCNN模块：用于对预处理后的图像行识别，经过9层卷积层、3层全连接层以及最后的分类层后，得到九张密度分布图；
所述卷积后处理模块：用于对九张密度图中隔离小分区的处理并对九张密度图进行融合，得到的一张效果图。
2.根据权利要求1所述的基于三维全卷积神经网络的MRI皮质下分区***，其特征在于：在训练模块进行训练之前，需要预设定各层的权重，对预设定的权重进行计算，方法是对于每一层的权重，nl代表该层对于各个单位的连接数，而在该层的权重则设定为符合方差为的高斯分布的一系列值。
3.根据权利要求1所述的基于三维全卷积神经网络的MRI皮质下分区***，其特征在于：所述训练模块在训练之前，需要设定多个参数，包括每次训练的图像数量、迭代次数、整个训练集进行训练的次数、学习动量、初始学习率，根据设定的参数，训练模块对输入的训练集进行训练。
4.根据权利要求1所述的基于三维全卷积神经网络的MRI皮质下分区***，其特征在于：所述灰度均一化模块用于对图像像素亮度分布不平衡的处理，使像素的灰度值分布在0-255之间。
5.根据权利要求1所述的基于三维全卷积神经网络的MRI皮质下分区***，其特征在于：所述非均匀场校正模块使用曲面拟合方法，对图片的像素点进行分类，然后提取图像中所有像素点中反映非均匀场变化趋势的像素点，求得非均匀场曲面拟合的参数，然后利用这些像素点对整个曲面进行拟合，从而完成校正。
6.根据权利要求1所述的基于三维全卷积神经网络的MRI皮质下分区***，其特征在于：所述颅骨去除模块利用边缘检测算子检测颅骨边缘，并利用边缘连接算子连接边缘实现自动分割，去除图像中的颅骨，降低图像大小和计算量。
CN201710620454.2A 2017-07-26 2017-07-26 基于三维全卷积神经网络的mri皮质下分区*** Pending CN107909588A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710620454.2A CN107909588A (zh) 2017-07-26 2017-07-26 基于三维全卷积神经网络的mri皮质下分区***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710620454.2A CN107909588A (zh) 2017-07-26 2017-07-26 基于三维全卷积神经网络的mri皮质下分区***

Publications (1)

Publication Number Publication Date
CN107909588A true CN107909588A (zh) 2018-04-13

Family

ID=61840203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710620454.2A Pending CN107909588A (zh) 2017-07-26 2017-07-26 基于三维全卷积神经网络的mri皮质下分区***

Country Status (1)

Country Link
CN (1) CN107909588A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109222902A (zh) * 2018-08-27 2019-01-18 上海铱硙医疗科技有限公司 基于核磁共振的帕金森预测方法、***、存储介质及设备
CN109242849A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 医学图像处理方法、装置、***和存储介质
CN109509177A (zh) * 2018-10-22 2019-03-22 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置
CN109741339A (zh) * 2018-12-14 2019-05-10 强联智创（北京）科技有限公司 一种分区方法及***
CN109872328A (zh) * 2019-01-25 2019-06-11 腾讯科技（深圳）有限公司 一种脑部图像分割方法、装置和存储介质
CN110533639A (zh) * 2019-08-02 2019-12-03 杭州依图医疗技术有限公司 一种关键点定位方法及装置
CN111462055A (zh) * 2020-03-19 2020-07-28 沈阳先进医疗设备技术孵化中心有限公司 颅骨检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法
WO2017096125A1 (en) * 2015-12-02 2017-06-08 The Cleveland Clinic Foundation Automated lesion segmentation from mri images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017096125A1 (en) * 2015-12-02 2017-06-08 The Cleveland Clinic Foundation Automated lesion segmentation from mri images
CN106650913A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种基于深度卷积神经网络的车流密度估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DOLZ J: ""3D fully convolutional networks for subcortical segmentation in MRI: A large-scale study"", 《ARXIV》 *
林建忠: "《金融信息分析》", 30 April 2015 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109222902A (zh) * 2018-08-27 2019-01-18 上海铱硙医疗科技有限公司 基于核磁共振的帕金森预测方法、***、存储介质及设备
CN109242849A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 医学图像处理方法、装置、***和存储介质
CN109509177A (zh) * 2018-10-22 2019-03-22 杭州依图医疗技术有限公司 一种脑部影像识别的方法及装置
CN109741339A (zh) * 2018-12-14 2019-05-10 强联智创（北京）科技有限公司 一种分区方法及***
CN109872328A (zh) * 2019-01-25 2019-06-11 腾讯科技（深圳）有限公司 一种脑部图像分割方法、装置和存储介质
CN109872328B (zh) * 2019-01-25 2021-05-07 腾讯科技（深圳）有限公司 一种脑部图像分割方法、装置和存储介质
US11748889B2 (en) 2019-01-25 2023-09-05 Tencent Technology (Shenzhen) Company Limited Brain image segmentation method and apparatus, network device, and storage medium
CN110533639A (zh) * 2019-08-02 2019-12-03 杭州依图医疗技术有限公司 一种关键点定位方法及装置
CN111462055A (zh) * 2020-03-19 2020-07-28 沈阳先进医疗设备技术孵化中心有限公司 颅骨检测方法及装置
CN111462055B (zh) * 2020-03-19 2024-03-08 东软医疗***股份有限公司 颅骨检测方法及装置

Similar Documents

Publication Publication Date Title
CN107909588A (zh) 基于三维全卷积神经网络的mri皮质下分区***
CN108198184B (zh) 造影图像中血管分割的方法和***
Kollem et al. A review of image denoising and segmentation methods based on medical images
Gao et al. Classification of CT brain images based on deep learning networks
CN109584251A (zh) 一种基于单目标区域分割的舌体图像分割方法
CN108053417B (zh) 一种基于混合粗分割特征的3D U-Net网络的肺分割装置
CN105069746B (zh) 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其***
CN109584254A (zh) 一种基于深层全卷积神经网络的心脏左心室分割方法
CN107437092A (zh) 基于三维卷积神经网络的视网膜oct图像的分类算法
CN108805209A (zh) 一种基于深度学习的肺结节筛查方法
CN107169974A (zh) 一种基于多监督全卷积神经网络的图像分割方法
CN107862694A (zh) 一种基于深度学习的手足口病检测***
CN106934761A (zh) 一种三维非刚性光学相干断层扫描图像的配准方法
CN109886965B (zh) 一种水平集和深度学习相结合的视网膜层分割方法及***
CN107730507A (zh) 一种基于深度学习的病变区域自动分割方法
CN107492095A (zh) 基于深度学习的医学图像肺结节检测方法
CN107424145A (zh) 基于三维全卷积神经网络的核磁共振图像的分割方法
CN108053398A (zh) 一种半监督特征学习的黑色素瘤自动检测方法
CN107563434A (zh) 一种基于三维卷积神经网络的脑部mri图像分类方法、装置
CN106340000A (zh) 骨龄评估方法
CN111161278A (zh) 一种基于深层网络聚合的眼底图像病灶分割方法
Chen et al. Blood vessel enhancement via multi-dictionary and sparse coding: Application to retinal vessel enhancing
CN110533683A (zh) 一种融合传统特征与深度特征的影像组学分析方法
CN108428225A (zh) 基于多尺度多特征的影像科用脑部图像融合识别方法
CN109902682A (zh) 一种基于残差卷积神经网络的乳腺x线图像检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180413

RJ01 Rejection of invention patent application after publication